基于深度神经网络的快速全分辨率光场去模糊
计算机视觉与模式识别
2019-12-06 v1
摘要
由于基于视差的图像处理日益流行，从其模糊输入中恢复清晰光场图像变得至关重要。最先进的盲光场去模糊方法存在处理缓慢、空间尺寸减小以及运动模糊模型受限等问题。本文通过生成复杂的模糊光场数据集并提出一种基于学习的去模糊方法来解决这些挑战性问题。具体而言，我们建模了完整的 6 自由度（6-DOF）光场相机运动，并借助 Lytro Illum 相机捕获的真实光场与 3D 场景的合成光场渲染相结合来创建模糊数据集。此外，我们提出一种具有大感受野能力的光场去模糊网络。我们还引入一种简单的角采样策略以有效训练大规模模糊光场。我们通过定量与定性测量评估我们的方法，并展示出优于最先进方法的性能，且在执行时间上实现大幅加速。我们的方法比 Srinivasan 等人 [22] 快约 16K 倍，且能在少于 2 秒内对全分辨率光场去模糊。
引用
@article{arxiv.1904.00352,
title = {Fast and Full-Resolution Light Field Deblurring using a Deep Neural Network},
author = {Jonathan Samuel Lumentut and Tae Hyun Kim and Ravi Ramamoorthi and In Kyu Park},
journal= {arXiv preprint arXiv:1904.00352},
year = {2019}
}
备注
9 pages, 8 figures